Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slewrate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentudapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadipemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untukmengatasi hal tersebut dirancanglah suatu pengendali MPC. Dengan MPC,keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang adatidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistemmenjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal.Pada skripsi ini, sistem yang akan dikendalikan dengan metode MPC denganconstraints adalah Coupled-Tank Control Apparatus PP-100. Model yangdigunakan pada perancangan pengendali berbentuk ruang keadaan yang didapatdengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukandan data variabel keadaan alat. Masukan sistem adalah tegangan pompa padatangki pertama dan keluaran yang akan dikendalikan adalah ketinggian air padatangki kedua.Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraintsmemberikan hasil yang lebih baik dibandingkan dengan metode Aturan KendaliKenaikan. Hal tersebut dapat terlihat dari tanggapan sistem, dimana tanggapansistem dengan menggunakan metode MPC lebih cepat serta tidak adanyaovershoot maupun undershoot pada keluaran sistem saat terjadi perubahan nilaitrayektori acuan.

---

ABSTRACTIn conventional control system, constraints, such as amplitude and slew rate ofinput signal are not computed in control process. This matter of course can makethe control result become worst, especially when force cutting occur to inputsignal before it enters to the plant. To solve those problems, a MPC controller isdesigned. With MPC, process output can be predicted and the existence ofconstraints will not be ignored and, as the result, it makes output system becomewell. Besides improve output system quality, the existence of the constraints canalso make the device works at optimum condition everytime.In this following final thesis, system that will be controlled with MPC withconstraints method is Coupled-Tank Control Apparatus PP-100. Model that isused in controller design has state space form. This model is got by use LeastSquares method based on input and state variable data. Input system is pump infirst tank and output that will be controlled is water level in second tank.Experiments prove that MPC with constriants give better result than IncrementalControl method. With MPC, system response become faster and there are noovershoot nor undershoot when the set point change."

"Pada skripsi ini dirancang pengendali Model Predictive Control (MFC) Nonlinier pada Coupled-Tank Control Apparatus PP-100. Model yang digunakan adalah Model Nonlinier Hammerstein. Penentuan sinyal kendali yang akan diberikan psida plant dilakukan dengan menggunakan Genetic Algorithm. Model Nonlinier Hammerstein terdiri dari bagian nonlinier statis yang diikuti oleh bagian linier dinamis. Bagian nonlinier statis dari Model Hammerstein dibuat menggunakan struktur Jaringan Radial Basis Function (RBF). Jumlah node dan parameter pusat dan lebar dari Fungsi Gaussian yang digunakan dalam node ditentukan dengan menggunakan Genetic Algorithm (GA). Nilai kesesuaian pada GA ditentukan dengan menggunakan Akaike Information Criterion (AIC) yang berfungsi melihat kesesuaian suatu model terhadap sistem yang sesungguhnya. Parameter pada bagian linier dinamis dan parameter beban pada Jaringan RBF ditentukan dengan menggunakan metode Linear Least-Square. Hasil uji eksperimen menunjukkan bahwa pengendali MPC Nonlinier mampu memberikan kinerja pengendalian yang baik pada titik kerja yang berbeda."

"Proses industri banyak melibatkan penggunaan coupled tank, salah satu proses yang dilakukan adalah pengendalian ketinggian cairan. Pada penelitian ini dilakukan pengendalian ketinggian air pada sistem coupled tank menggunakan Reinforcement Learning berbasis algoritma Soft Actor Critic (SAC) menggunakan MATLAB dan Simulink. Sebelum diimplementasikan ke dalam sistem coupled tank dilakukan serangkaian proses training pada algoritma SAC. Hasil dari proses training ini merupakan action dalam bentuk besar bukaan control valve. Kinerja pengendali dievaluasi menggunakan nilai rise time, settling time, overshoot, dan steady state error. Berdasarkan parameter ini, algoritma SAC dapat mengendalikan sistem dengan baik dengan rise time kurang dari 47 sekon, settling time kurang dari 62 sekon, overshoot dibawah 10%, dan steady state error kurang dari 1%. Ketika diberikan gangguan algoritma SAC dapat kembali ke keadaan stabil dalam waktu kurang dari 45 sekon.

---

A lot of industrial processes utilize the use of coupled tanks, with one of the processes being liquid level control. In this study, Reinforcement Learning is implemented to control the water level in the coupled tank system using Soft Actor Critic (SAC) algorithm through MATLAB and Simulink. Before being implemented into the coupled tank system, the SAC algorithm went through a series of training processes. The result of this training process is an action in the form of adjusting control valve opening percentage. The controller performance is evaluated using parameters such as rise time, settling time, overshoot, and steady state error. Based on these parameters, the SAC algorithm manages to perform well in controlling the system with a rise time of less than 47 seconds, a settling time of less than 62 seconds, overshoot of less than 10%, and steady state error below 1%. When the system received a disturbance the SAC algorithm can return to a steady state in less than 45 seconds."

"Pada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slew rate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentu dapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untuk mengatasi hal tersebut dirancanglah suatu pengendali MPC. Dengan MPC, keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang ada tidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistem menjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal. Pada skripsi ini, sistem yang akan dikendalikan dengan metode MPC dengan constraints adalah Coupled-Tank Basic Process Rig 38-100. Model yang digunakan pada perancangan pengendali berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan pompa pada tangki pertama dan keluaran yang akan dikendalikan adalah ketinggian air pada tangki kedua. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode Aturan Kendali Ruang Keadaan. Hal tersebut dapat terlihat dari tanggapan sistem, dimana tanggapan sistem dengan menggunakan metode MPC lebih cepat serta tidak adanya overshoot maupun undershoot pada keluaran sistem saat terjadi perubahan nilai trayektori acuan.

---

In conventional control system, constraints, such as amplitude and slew rate of input signal are not computed in control process. This matter of course can make the control result become worst, especially when force cutting occur to input signal before it enters to the plant. To solve those problems, a MPC controller is designed. With MPC, process output can be predicted and the existence of constraints will not be ignored and, as the result, it makes output system become well. Besides improve output system quality, the existence of the constraints can also make the device works at optimum condition everytime.

In this following final thesis, system that will be controlled by MPC with constraints method is Coupled-Tank Basic Process Rig 38-100. Model that is used in controller design has state space form. This model is formed by using Least Squares method based on input and state variable data. Input system is pump in first tank and output that will be controlled is water level in second tank.

Experiments prove that MPC with constriants give better result than State Controller method. With MPC, system response become faster and there are no overshoot nor undershoot when the set point change."

"Perawatan dengan injeksi insulin secara kontinu setiap harinya diperlukan bagi penderita Diabetes Mellitus tipe I yang telah kronis, di mana pankreas sama sekali tidak menghasilkan insulin, untuk mengontrol kadar gula darahnya. Model minimal Bergman terdiri dari tiga persamaan diferensial yang memodelkan dengan cukup akurat penderita DM tipe I sesederhana mungkin.Simulai model ini dilakukan dengan memberikan sinyal masukan laju insulin dengan batasan antara 0 sampai 100 mU/min dan gangguan glukosa makanan dimodelkan sebagai fungsi eksponensial 1,157 exp(-0,05.t) mmol/L.min yang dimulai pada menit ke-100, dengan batasan perubahan laju insulin eksternal yang merupakan sinyal kendali sistem sebesar ± 16,667 mU/min. Sinyal masukan insulin diberikan untuk mengurangi kadar gula darah, tetapi tetap menjaga agar tidak terjadi hypoglycemia (< 3,33 mmol/L).Perancangan pengendali MPC (Model Predictive Control) dengan constraints yang berbasiskan metode aktif set menggunakan persamaan ruang keadaan linier, dan analisa simulasi dilakukan dengan mengubah parameter-parameter pengendali berupa control horizon, prediction horizon, batas maksimal dan batas minimal sinyal kendali serta matriks bobot R dan Q.

---

Diabetes Mellitus refers to condition in which the pancreas produces no effective insulin. Treatment consist of daily injection or continuous infusions of insulin to maintain blood glucose levels between critical values (3,33 ? 6,67 mmol/L). The Bergman minimal model consist of three differential equations as powerful modeling to describe the dynamics of type 1 diabetic system as simply as possible.This simulation model is done by giving inputs are the manipulated insulin infusion rate with range between 0 and 100 mU/min, and the meal glucose disturbance described as exponential function (1,157 exp(-0,05.t) mmol/L.min) and simulated at minute 100. The manipulated insulin infusion rate is given for prevention of long-term complications due to hyperglycemia and hypoglycemia (<3,33 mmol/L).MPC (Model Predictive Control) with constraints is designed based on active set method using linier state space equation and analyze the simulation by altering controller parameters are control horizon (Hu), prediction horizon (Hp), maximum and minimum of control signal (Umaks and Umin), and also weight matrix of R and Q."

"Pada skripsi ini akan dirancang suatu sistem pengendalian ketinggian air untuk sistem coupled tank pp-00 berdasarkan pengendali jaringan syaraf tiruan dengan metode pelatihan adaptive interaction. Sistem yang digunakan disusun berdasarkan bentuk tangki terhubung dengan satu masukan dan satu keluaran (SISO). Sesuai dengan waktu cuplik yang telah ditentukan, komputer akan menerima data-data hasil cuplikan sensor berupa ketinggian air pada tangki kedua dengan memberikan masukan air pada tangki pertama. Pengendalian ketinggian air didasarkan pada error yang dihasilkan antara data-data yang berasal dari sensor pada tangki kedua sebagai titik ketinggian air sistem yang akan diatur dan titik acuan yang telah didefinisikan terlebih dahulu sebagai nilai setpoint. Digunakan dua buah masukan pada pengendali jaringan syaraf tiruan yaitu error pada waktu pencuplikan sekarang dan waktu pencuplikan sebelumnya. Untuk melihat bagaimana kerja dari pengendali jaringan syaraf tiruan ini akan dilakukan perubahan parameter-parameter dari jaringan syaraftiruan ini, seperti banyaknya neuron pada lapisan tersembunyi, dan konstanta pelatihan. Untuk membantu pengendali jaringan syaraf tiruan, akan diberikan pengendali tambahan yaitu pengendali feedforward. Pengendali ini kemudian akan dibandingkan performa kerjanya dengan pengendali konvensional yang telah lama dikenal, yaitu pengendali PI. Hasil simulasi memperlihatkan bahwa pengendali jaringan syaraftiruan ini dapat memberikan hasil yang lebih baik dengan pengendali PI, selain itu dengan melakukan perubahan-pembahan pada parameter jaringan syaraf tiruan dapat membantu kinerja pengendali agar dapat mengendalikan sistem menjadi lebih baik. Pada akhirnya rancangan pengendali jaringan syaraf tiruan ini ditambahkan dengan pengendali feedforward yang terbukti dapat meningkatkan kinerja pengendali jaringan syaraftiruan ini."

"Sistem Coupled tank umum digunakan pada bidang industri otomatis, salah satu pengendalian yang umum terjadi pada coupled tank adalah pengendalian ketinggian air. Sistem pengendalian tersebut bertujuan untuk menjaga ketinggian air yang berada pada tangki. Penelitian ini melakukan simulasi pengendalian ketinggian air pada coupled tank dengan menerapkan Reinforcement Learning (RL) dengan algoritma Deep Deterministic Policy Gradient (DDPG). Proses simulasi tersebut dilakukan menggunakan simulink pada MATLAB. Algoritma DDPG melalui serangkaian training sebelum diimplementasikan pada sistem coupled tank. Kemudian pengujian algoritma DDPG dilakukan dengan memvariasikan nilai set point dari ketinggian air dan sistem diberikan gangguan berupa bertambahnya flow in dari control valve lain. Performa dari algorima DDPG dalam sistem pengendalian dilihat dari beberapa parameter seperti overshoot, rise time, settling time, dan steady state error. Hasil yang diperoleh pada penelitian ini bahwa algoritma DDPG memperoleh nilai settling time terbesar sebesar 109 detik, nilai steady state error terbesar sebesar 0.067%. Algoritma DDPG juga mampu mengatasi gangguan dengan waktu terbesar sebesar 97 detik untuk membuat sistem kembali stabil.

---

The Coupled Tank system is commonly used in the field of industrial automation, and one of the common controls implemented in this system is water level control. The purpose of this study is to simulate water level control in a coupled tank using Reinforcement Learning (RL) with the Deep Deterministic Policy Gradient (DDPG) algorithm. The simulation process is performed using Simulink in MATLAB. The DDPG algorithm undergoes a series of training sessions before being implemented in the coupled tank system. Subsequently, the DDPG algorithm is tested by varying the set point values of the water level and introducing disturbances in the form of increased flow from another control valve. The performance of the DDPG algorithm in the control system is evaluated based on parameters such as overshoot, rise time, settling time, and steady-state error. The results obtained in this study show that the DDPG algorithm achieves a maximum settling time of 109 seconds and a maximum steady-state error of 0.067%. The DDPG algorithm is also capable of overcoming disturbances, with the longest recovery time of 97 seconds to restore system stability."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sangat kecil dan mendekati 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in coupled tank systems in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be made using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is very small and close to 0%."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sama dengan 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in the coupled tank system in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be created using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is equal to 0%."

"Pengendalian level fluida di dalam tabung dan pengendalian aliran fluida antar beberapa tabung merupakan permasalahan dasar dalam industri proses. Masukan aliran fluida ke dalam tabung dan antar tabung haruslah dijaga pada kondisi tertentu sehingga keluaran sistem bisa sesuai dengan yang diinginkan. Berbagai macam pengendali dirancang untuk mengendalikan level fluida ini dengan baik, sehingga error yang dihasilkan pun semakin bisa diminimalisir. Pengendali PID dan MPC merupakan contoh pengendali yang bisa digunakan dalam mengontrol level fluida tersebut.Di dalam seminar tesis ini akan dirancang pengendali PID (Proportional-Integral-Derivative) dan Model Predictive Control (MPC) untuk mengendalikan level fluida di dua tangki terhubung. Sebelum pengendali PID dan MPC ini dirancang, model non-linier terlebih dahulu dibentuk bedasarkan sistem dua masukan aliran fluida dan dua keluaran sistem berupa ketinggian level fluida pada kedua tabung. Model non-linier sistem multivariabel (Two Input Two Output - TITO) ini kemudian dilinierisasi pada titik kerja yang dipilih untuk memperoleh nilai ruang keadaan A, B, C dan D yang kemudian digunakan untuk membentuk fungsi alih sistem. Selain proses linierisasi, identifikasi dengan metode Kuadrat Terkecil juga dilakukan untuk menghasilkan model linier sistem yang baru sebagai pendekatan dalam mengontrol model non-linier sistem dengan MPC.Dalam sistem multivariabel coupled-tanks ini masih terdapat interaksi yang kuat antar variabel masukan-keluaran, sehingga fungsi alih dekopler pun dirancang untuk mengurangi atau menghilangkan efek kopling antar variabel masukan-keluaran ini. Pengendali PID dan MPC yang dirancang akan digunakan dalam simulasi untuk mengendalikan model linier/fungsi alih (dengan dekopler) dan model non-linier sistem.Hasil simulasi pengendali PID dan MPC untuk model linier menunjukkan respon sistem yang baik, dimana waktu settling-nya cenderung relatif kecil. Juga hasil simulasi pengendali PID dan MPC untuk model non-linier, meskipun menunjukkan respon sistem yang cenderung lambat, masih bisa dikatan relatif baik. Setelah membandingkan hasil simulasi sistem dengan pengendali PID dan MPC yang dirancang, maka MPC merupakan pengendali yang lebih baik digunakan untuk mengendalikan sistem multivariabel coupled-tanks ini.

---

The control of liquid level in tanks and flow between tanks is a basic problem in the process industries. The amount of liquid flowed into tanks and the flow of liquid between tanks has to be maintained at certain conditions in order to meet the desired performances. Many controllers have been designed to control the liquid level in tanks with the intention of reducing errors during and or after control process. PID controller and MPC are two of many controllers that could be designed to control the liquid level in tanks.

In this Master's thesis, PID (Proportional-Integral-Derivative) controller and Model Predictive Control (MPC) are designed to control the liquid levels in two coupled tanks. Before designing PID controller and MPC, the complete nonlinear dynamic model of the plant needed to be introduced for a case involving two input flows of liquid and two output variables, which are the level of the liquid in two tanks.

This multivariable (Two Input Two Output - TITO) nonlinear model would be then linearised based on selected operating point in order to obtain the value of state-space variables A, B, C and D. These values are converted to transfer function form. Besides that, system identification with Least Square method is also used to yield a new state-space model as an approach model to control the nonlinear model with MPC. Due to the high interactions between input-output variables, decoupler needed to be designed with the aim of reducing or eradicate these between input-output variables coupling effects. Afterwards, the designed PID controller and MPC will be used in simulation in controlling the linear model/transfer function (with decoupler) and the nonlinear model of the coupled-tanks multivariable system.

The result of simulation using PID controller and MPC in controlling the linear model of the system shows good performance in terms of rise time and settling time. In Addition, the result of simulation using nonlinear model, despite the slow system's response, shows satisfactory performance in terms of steady-state behavior, in which the output signals eventually meets the desired reference signals. After comparing the results of system simulation both with PID Controller and MPC, the writer may then infers that MPC is the better one to control this coupled-tanks multivariable system."